Albert KOWALCZYK1, Adrian WŁODARCZYK2, Jarosław TARNAWSKI3 1. Politechnika Gdańska, student Wydziału Elektrotechniki i Automatyki
tel.: 723 675 749 e-mail: albert.kowalczyk@hotmail.com 2. Politechnika Gdańska, student Wydziału Elektrotechniki i Automatyki
tel.: 602 583 728 e-mail: adrianwd19@gmail.com 3. Politechnika Gdańska, adiunkt na Wydziale Elektrotechniki i Automatyki
tel.: 58 347-12-26 e-mail: jaroslaw.tarnawski@pg.gda.pl Streszczenie: W artykule rozpatruje się konstrukcję sterownika mikrosieci elektroenergetycznej. Sterownik zarządza zasobami energii elektrycznej w celu pokrycia zapotrzebowania lokalnych gospodarstw domowych z uwzględnieniem kwestii ekonomicz-nych. Przedstawiono strukturę sterowania, zdefiniowano zadanie optymalizacji, dokonano badań symulacyjnych dla przykładowej mikrosieci o zróżnicowanych sposobach generowania i magazyno-wania. Zaproponowano realizację sterownika mikrosieci uniezależ-niającą od komercyjnego oprogramowania w oparciu o otwarte optymalizatory i niskobudżetowy sprzęt.
Słowa kluczowe: mikrosieć, generacja rozproszona, zarządzanie energią, struktura hierarchiczna z optymalizacją.
1. WPROWADZENIE
Mikrosieci są efektywną formą zarządzania energią elek-tryczną w generacji rozproszonej, szczególnie w dobie promowa-nia „zielonej energii” w postaci różnych systemów wsparcia (dotacje oraz świadectwa pochodzenia). Nie są jeszcze uwarun-kowane prawnie w Polsce, lecz zdaniem autorów jest to zagad-nienie perspektywiczne, ponieważ małe elektrownie energii odnawialnej są coraz bardziej dostępne dla lokalnych użytkowni-ków i warto rozważyć połączenie ich w mikrosieć. Ujawnia się wówczas potrzeba optymalnego sterowania połączoną infrastruk-turą.
1.1. Mikrosieci
Mikrosieć to niewielkich rozmiarów system elektroenerge-tyczny, którego nadrzędnym celem jest pokrycie lokalnych po-trzeb energetycznych [1]. Mikrosieci składają się z jednostek wytwórczych, zasobników oraz odbiorów. Do podłączenia ele-mentów mikrosieci potrzebna jest odpowiednia infrastruktura przesyłowa. Linie energetyczne mikrosieci mogą być wykonane jako linie prądu przemiennego lub stałego. Nad wszystkim czu-wają układy sterowania. Mikrosieć może być podłączona do sieci elektroenergetycznej i współdziałać z nią, np. pobierać z niej energię w przypadku niewystarczających zasobów potrzebnych do pokrycia zapotrzebowania lub sprzedawać energię w przypad-ku występowania nadwyżek. Mikrosieć może pracować również w trybie wyspowym, tzn. oddzielona od sieci elektroenergetycz-nej.
Przykładowa mikrosieć występuje na wyspie Kythnos w Grecji [1]. System ten zasila dwanaście gospodarstw domo-wych i jest oddalony od najbliższego węzła
elektroenergetycz-nego o 4 km. W jego skład wchodzą baterie słoneczne, bateryj-ny zasobnik energii oraz generator Diesla.
1.2. Generowanie i magazynowanie energii elektrycznej w mikrosieciach
Źródła energii w mikrosieciach mogą być konwencjonalne (oparte na ogniwach kopalnych) lub odnawialne. Z konwencjo-nalnych źródeł energii wykorzystywanych w mikrosieciach moż-na wymienić: agregaty z silnikami gazowymi (moż-na gaz ziemny lub biogaz), agregaty z silnikami Diesla lub mikroturbiny [1], a z odnawialnych źródeł energii wykorzystuje się turbiny wiatrowe, panele fotowoltaiczne, biogazownie oraz elektrownie wodne oparte na kołach wodnych.
Ważnym elementem mikrosieci są magazyny energii. Peł-nią istotną rolę w sytuacji braku samowystarczalności, gdyż mogą być wtedy traktowane jako swego rodzaju bufor bezpie-czeństwa. Mogą być także wykorzystywane do przechowywania nadwyżek energii, co może przyczynić się do czerpania korzyści ekonomicznych. Są również niezbędne w przypadku podłączania niestabilnych odnawialnych źródeł energii (OZE) do sieci elek-troenergetycznej. W mikrosieciach stosuje się najczęściej różne rodzaje akumulatorów elektrochemicznych (kwasowo-ołowiowe, litowo-jonowe, siarkowo-sodowe), ale także superkondensatory lub koła zamachowe.
2. PROJEKT SYSTEMU STEROWANIA
Wiodący producenci infrastruktury elektrotechniki i auto-matyki oferują rozwiązania pozwalające na sterowanie elemen-tami mikrosieci. Firma ABB [2] wyprodukowała sterownik Re-newable MicroGrid Controller MGC600, którego celem jest zarządzanie generacją energii. Pozwala on na maksymalne wyko-rzystanie energii z OZE i minimalizację kosztów eksploatacji źródeł konwencjonalnych. Każdemu z urządzeń pracującemu w sieci dedykowane jest specjalne oprogramowanie. Z kolei ste-rownik U90Plus Optimizer firmy GE [3] umożliwia dodatkowo kontrolowanie odbiorów energii elektrycznej. Posiada także wbudowany moduł predykcji zapotrzebowania. W niniejszym artykule zaprezentowano natomiast sterownik działający w opar-ciu o funkcję optymalizującą przedstawiony wskaźnik jakości.
2.1. Struktura sterowania i przesyłania informacji Na rysunku 1 przedstawiono proponowaną strukturę sys-temu sterowania mikrosiecią [4]. Pełni ona rolę sterownika
mikrosieci, który może być rozumiany jako system zarzą-dzania energią (z ang. EMS – energy management system).
Rys. 1. Struktura systemu sterowania mikrosiecią W warstwie bezpośredniej znajdują się sterowniki lokalne oddziaływujące na urządzenia wykonawcze (np. kontrolery ła-dowania akumulatorów) i zbierające pomiary. Rolę sterownika lokalnego może pełnić dowolna platforma komputerowa, np. PC lub PLC. Obecny rozwój technologii pozwala na wykorzystanie do tego celu nawet niskobudżetowych komputerów typu Ra-spberry PI, czy Intel Galileo. EMS integruje sterowanie nadrzęd-ne, optymalizację oraz zarządzanie mikrosiecią. Składa się on z trzech modułów: optymalizatora, którego zadaniem jest wyzna-czanie optymalnych trajektorii dla źródeł i zasobników, modułu prognozowania profili produkcji OZE i profili zużycia energii oraz oprogramowania SCADA umożliwiającego m.in. wizuali-zację przebiegów.
Warstwy sterowania mogą komunikować się poprzez LAN z wykorzystaniem Ethernetu i protokołu TCP/IP. Za-stosowanie topologii pierścienia może zwiększyć niezawod-ność komunikacji. System może zostać wyposażony w punkt dostępu, co pozwoli na podgląd stanu mikrosieci z poziomu komputerów osobistych, czy smartfonów.
Istotną cechą systemu jest to, że jest on otwarty, ela-styczny i skalowalny. Może integrować wiele mikroinstala-cji, a może stanowić także system zarządzania dla poje-dynczego gospodarstwa domowego.
2.2. Optymalizator
Głównym elementem składowym EMS jest moduł wyzna-czający optymalne trajektorie zadane przepływu mocy pomiędzy elementami mikrosieci [4]. Zadanie optymalizacji jest rozwiązy-wane co określony krok predykcji (np. co jedną godzinę), a wszystkie zmienne optymalizowane na określony horyzont pre-dykcji (np. na 24 godziny). W każdym kroku system przyjmuje aktualne dane dotyczące rzeczywistego stanu naładowania za-sobników (z ang. SOC – state of charge), oraz profili produkcji i zużycia energii. Moduły predykcji mogą zostać zbudowane np. w oparciu o sztuczne sieci neuronowe. Wymagają one informacji o prognozach pogody, które mogą być pobierane z Internetu i historycznych danych zapotrzebowania, które z kolei mogą być zbierane przez lokalne sterowniki i gromadzone na serwerze.
Budowa predyktorów jest osobnym, rozbudowanym zagadnie-niem, które nie zostanie przedstawione w niniejszym artykule. W razie potrzeby, np. w przypadku zwiększonej niepewności pro-gnozy pogody, istnieje możliwość zmiany kroku predykcji, dzięki czemu można zyskać dokładniejsze profile produkcji.
Optymalizator wymaga też jednorazowego wprowadzenia ta-ryfy energetycznej (z wyszczególnieniem cen w kolejnych krokach predykcji), informacji o zasobnikach energii takich jak: maksymal-ny i minimalmaksymal-ny SOC, maksymalna moc ładowania/ rozładowywa-nia, współczynniki samorozładowarozładowywa-nia, sprawności, pojemności
energetyczne, informacji o maksymalnej mocy, która może zostać pobrana z sieci dystrybucyjnej oraz wybranym horyzoncie predyk-cji. Dane wymienione powyżej, łącznie z danymi wygenerowany-mi w wyniku pracy modułów prognozowania, są wykorzystywane przy kreowaniu ograniczeń zadania optymalizacji. Sam algorytm podzielono na dwa zadania stanowiące jedną funkcjonalną całość.
Pierwszą część stanowi warstwa pokrycia zapotrzebowania, odpo-wiedzialna za takie wyznaczenie trajektorii zadanych, aby pokryć zapotrzebowanie na energię w całej mikrosieci. Drugą część sta-nowi warstwa przydziału energii do poszczególnych gospodarstw zgodnie z ich prognozowanym zużyciem, przy wykorzystaniu danych z poprzedniej warstwy.
Zmienne wykorzystane w zadaniu optymalizacji war-stwy pokrycia zapotrzebowania przedstawiono w tablicy 1.
Każda ze zmiennych jest większa lub równa zeru. Liczba zmiennych od nr 3 włącznie zależy od liczby mikroinstalacji podłączonych do mikrosieci.
Tablica 1. Zmienne z warstwy pokrycia zapotrzebowania
nr zmienna opis zmiennej
1 PS moc z sieci dys. na pokrycie zap. [kW]
2 PS,M moc z sieci dys. zmagazynowana [kW]
3 POZE,Z moc z OZE na pokrycie zap. [kW]
4 POZE,S moc z OZE sprzedana [kW]
5 POZE,M moc z OZE zmagazynowana [kW]
6 PZAS,R moc rozładowywania zasobników [kW]
7 PZAS,L moc ładowania zasobników [kW]
8 SOC stan naładowania zasobników [%]
Funkcja celu dla warstwy pokrycia zapotrzebowania (3) zakłada minimalizowanie kosztów bilansu energii elek-trycznej. Równania (1) i (2) pozwalają obliczyć odpowied-nio koszt kupionej oraz zysk ze sprzedanej energii.
, ∙ ∆ ∙ (1)
∑ , ∙ ∆ ∙ (2)
min ∑ (3)
gdzie: – horyzont predykcji, ∆ – czas pobierania/dostarczania mocy, i – odpowiednio cena zakupu i sprzedaży 1 kWh energii z/do sieci w danym okresie predykcji, i – nr mikroinstalacji.
Aby suma mocy pobranej z sieci, OZE oraz zasobni-ków była równa całkowitemu zapotrzebowaniu, należy uwzględnić w ograniczeniach bilans mocy (4).
P ∑ , ∑ , (4)
gdzie: – całkowite prognozowane zapotrzebowanie na moc w danym okresie predykcji.
Sumaryczna ilość mocy z danego OZE wykorzystana do różnych celów powinna zgadzać się z prognozowanym profilem produkcji (5). Należy pamiętać, że powinno być ono uwzględnione dla każdego i-tego źródła.
, , , (5)
gdzie: – prognozowany profil produkcji i-tego OZE.
W zadaniu należy uwzględnić także ograniczenia wy-nikające z umowy przyłączeniowej mikrosieci do sieci dys-trybucyjnej. Moce pobrane z sieci (oraz ich suma) nie po-winny przekraczać wartości maksymalnych. Kolejnym ogra-niczeniem (6) jest równanie związane z modelem zasobnika energii. Dzięki niemu, optymalizator może uaktualniać ich prognozowany stan naładowania. Istotną kwestią jest także ograniczenie związane z bilansem mocy zasobników (7).
Sumaryczna moc ładowania zasobników musi być równa
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki PG, ISSN 2353-1290, Nr 47/2015
101
mocy pobranej z sieci i OZE przeznaczonej do zmagazyno-wania. Z zasobnikami związane są również ograniczenia na maksymalną moc ładowania i rozładowywania, a także na maksymalny i minimalny poziom naładowania (SOC). Ich nie uwzględnienie mogłoby skutkować uszkodzeniem urzą-dzeń.
∙ 1 ∙ , ∙ , (6)
∑ , , ∑ , (7)
gdzie: , – współczynniki samorozładowania i spraw-ność i-tego zasobnika, – maksymalny poziom naładowa-nia i-tego zasobnika w kWh.
Po uzyskaniu informacji od producentów o zalecanych profilach ładowania i rozładowania akumulatorów można je uwzględnić w zadaniu optymalizacji w celu podniesienia trwałości i niezawodności pracy magazynów.
Zmienne wykorzystane w zadaniu optymalizacji war-stwy przydziału przedstawiono w tablicy 2. Każda ze zmien-nych jest większa lub równa zeru. Liczba każdego rodzaju zmiennych zależy od liczby mikroinstalacji w mikrosieci.
Tablica 2. Zmienne z warstwy przydziału
Nr zmienna opis zmiennej
1 POZE,W moc z OZE na potrzeby danej mikroinstalacji
2 POZE,M moc z OZE na potrzeby mikrosieci
3 PZAS,W moc z zas. na potrzeby danej mikroinstalacji 4 PZAS,M moc z zas. na potrzeby mikrosieci 5 PS,W moc z mikrosieci przydzielona
użytkowni-kowi
Funkcja celu, przedstawiona zależnością (8), zakłada minimalizowanie mocy pobieranej z mikrosieci przez użyt-kowników. Zapewnia to wykorzystanie przede wszystkim własnych zasobów.
min ∑ ∑ , (8)
Jednym z ograniczeń jest równanie bilansu mocy mi-krosieci pokazane zależnością (9). Sumaryczna ilość mocy pobrana z mikrosieci przez wszystkie odbiory musi być równa ilości dostępnych zasobów.
∑ , ∑ , ∑ , (9)
Kolejnym ograniczeniem, przedstawionym w równaniu (10), jest przydzielenie danemu odbiorowi takiej ilości mo-cy, która będzie odpowiadała prognozowanemu zużyciu.
, , , (10)
Sumaryczna ilość mocy z danego OZE przydzielonej na potrzeby mikrosieci oraz właściciela musi zgadzać się z optymalną wartością wyznaczoną w poprzedniej warstwie (11). Analo-giczne równania należy uwzględnić również dla zasobników.
, , , (11)
3. REALIZACJA I WERYFIKACJA DZIAŁANIA OPTYMALIZATORA
Do budowy optymalizatora można wykorzystać środo-wisko MATLAB. Narzędzie to pozwala we względnie prosty sposób zaimplementować odpowiednie algorytmy. Ułatwia też weryfikację budowanych systemów. Jest więc świetnym narzędziem do celów badawczych. Niemniej, jego wysoka
cena utrudnia możliwość wdrażania systemów w docelowym miejscu pracy. Dlatego też autorzy, rozważając komercjali-zację sterownika mikrosieci, dokonali budowy algorytmu optymalizacji przy wykorzystaniu darmowej biblioteki o możliwościach wystarczających do tego typu zagadnienia.
3.1. Implementacja zadania optymalizacji w języku C++
Zadanie optymalizacji zostało zaimplementowane w języ-ku C++ z wykorzystaniem darmowej biblioteki GLPK [5].
Pozwala ona na opisanie problemu w postaci macierzowej, a do optymalizacji może wykorzystać np. algorytm simpleks. Naj-ważniejszą częścią programu jest funkcja przygotowująca ma-cierze i wywołująca zadanie optymalizacji. W artykule pokaza-no jej najistotniejsze części. Fragment kodu przedstawiony poniżej odpowiada za przygotowanie problemu optymalizacji.
Na początku definiowany jest problem optymalizacji oraz jego typ. Następnie alokowana jest pamięć na potrzeby tablic prze-chowujących indeksy wektora ograniczeń. Zmienna dim określa rozmiar tego wektora. Zmienne x i y przechowują odpowiednio:
liczbę zmiennych i ograniczeń w zadaniu optymalizacji. Dwie ostatnie linie odpowiadają za dodanie do problemu optymaliza-cji wierszy (czyli liczbę ograniczeń) oraz kolumn (czyli liczbę zmiennych).
1 glp_prob *lp;
2 lp = glp_create_prob();
3 glp_set_obj_dir(lp, GLP_MIN);
4 int *ia = new int[dim*y];
5 int *ja = new int[dim*x];
6 glp_add_rows(lp, y*Hp);
7 glp_add_cols(lp, x*Hp);
Następnie następuje określenie parametrów zadania takich jak: wsp. funkcji celu, ograniczenia i ich wyrazy wolne oraz wa-runki brzegowe. Definicje wykorzystanych do tego celu funkcji można znaleźć w [4]. Poniżej przedstawiono ostatni z etapów.
Najpierw do problemu lp ładowane są: wymiar wektora ograni-czeń, tablice z indeksami ograniczeń oraz wektor ograniczeń. Na-stępnie za pomocą metody Simpleks rozwiązywane jest zadanie optymalizacji. Ostatni fragment kodu odpowiada za pobranie wy-ników optymalizacji.
1 glp_load_matrix(lp,dim,ia,ja,ar);
2 glp_simplex(lp,NULL);
3 dochodMikrosieci = glp_get_obj_val(lp);
3.2. Zdefiniowanie obiektu badań
Przyjęto, że obiektem badań jest grupa pięciu gospodarstw. Za-łożono, że każde z nich posiada własne OZE oraz zasobnik. Wszyst-kie gospodarstwa podłączone są do magistrali prądu stałego. Prosu-menci korzystają z różnego rodzaju akumulatorów w celu magazy-nowania energii. Wykorzystywane w tej mikrosieci OZE to: dwa systemy PV, dwie turbiny wiatrowe oraz koło wodne. Założono, że mikrosieć podłączona jest do krajowej sieci elektroenergetycznej.
3.3. Weryfikacja działania optymalizatora
Autorzy przeprowadzili szereg symulacji, a wyniki jednej z nich, w której uwzględniono aktualne przepisy prawne dotyczące OZE, zamieszczono poniżej. Założono, że koszt zakupu 1 kWh energii z sieci dystrybucyjnej jest zgodny z taryfą „tanie godziny”
Grupy ENERGA i wynosi 0,29 zł w okresie szczytu i 0,19 zł poza nim. Cenę sprzedaży 1 kWh energii założono na poziomie średniej ceny energii na rynku konkurencyjnym w II kwartale 2015 r. (0,17 zł). W symulacji uwzględniono, że prosument może sprzedawać wyłącznie niewykorzystane nadwyżki energii.
Na rysunku 2 pokazano prognozowany przebieg całkowitego zużycia energii w mikrosieci. Został on wykreowany przy
pomocy narzędzia udostępnionego przez Grupę Tauron [6]. Na tym samym rysunku przedstawiono prognozowany łączny profil produkcji wszystkich OZE, wykreowany przy wykorzystaniu modeli matematycznych i prognoz pogody. Porównanie przebiegów pozwala stwierdzić, że mikrosieć jest samowystarczalna jedynie przez pewną część dnia. Niewykorzystana w tym okresie energia może być magazynowana lub sprzedawana do sieci.
Rys. 2. Przebiegi zapotrzebowania i prognozowanej produkcji Na rysunku 3 pokazano w jaki sposób rozkłada się udział poszczególnych źródeł w bilansie energetycznym mikrosieci.
OZE są eksploatowane w ciągu całego dnia. Jeśli to możliwe, są wspomagane przez zasobniki. Co ważne, nie są one wykorzysty-wane w sposób ciągły, dzięki czemu ich żywotność nie będzie drastycznie malała. Moc z sieci jest pobierana tylko w godzinach szczytu zapotrzebowania.
Rys. 3. Przebiegi mocy pobranej z różnych źródeł Jak pokazuje przebieg z rysunku 4, zasobniki są łado-wane mocą z sieci tylko w godzinach nocnych (w związku z niższą ceną). Energia z OZE, jest dostarczana do zasobni-ków przed wystąpieniem porannego i popołudniowego szczytu zapotrzebowania. W ten sposób system zapewnia zmniejszenie kosztów. Większość nadwyżek mocy jest sprzeda-wana do sieci, co generuje zysk dla właścicieli mikroinstalacji.
Prawidłowe działanie zbudowanego przez autorów EMS, jest w dużej mierze zależne od poprawności prognoz zużycia energii. System powinien być przygotowany na ich ewentualne rozbieżności z rzeczywistym zużyciem. W [4]
zaproponowano sposób podejścia realizujący ten postulat.
Kwestie pracy systemu w obliczu awarii nie są w tym artykule rozpatrywane. Niemniej, są one bardzo ważne i wymagają przeprowadzenia analizy z punktu widzenia
nie-zawodności i bezpieczeństwa. W [4] zaproponowano zwięk-szenie pewności poprawnego działania systemu, poprzez wprowadzenie nadmiarowego urządzenia z EMS.
Rys. 4. Przebiegi mocy z OZE oraz mocy pobranej z sieci 4. PODSUMOWANIE
W artykule przedstawiono podejście do zarządzania energią w mikrosieci oparte na zadaniu optymalizacji. Do realizacji zada-nia mogą być wykorzystane niskobudżetowe komputery z darmowym oprogramowaniem. Komputery te mogą zawie-rać moduły prognozujące profile produkcji i zużycia energii, system bilansowania oraz wizualizacji. Weryfikacja zbudo-wanego przez autorów optymalizatora, przeprowadzona dla zróżnicowanej pod względem wykorzystanych źródeł i ma-gazynów mikrosieci potwierdziła optymalną gospodarkę zasobami energetycznymi. Co istotne, zaproponowany sys-tem dzięki wykorzystaniu metod optymalizacji pozwala na realizację postulatu poszanowania energii, zapewniając jed-nocześnie jej najefektywniejsze wykorzystanie dla różnych konfiguracji mikrosieci i przyszłych scenariuszy prawnych.
5. BIBLIOGRAFIA
1. Biczel P.: Integracja rozproszonych źródeł energii w mi-krosieci prądu stałego, Warszawa: Oficyna Wydawnicza Politechniki Warszawskiej, 2012
2. ABB, Renewable Microgrid Controller MGC600, http://new.abb.com/, (Dostęp: 24.01.2016 r.)
3. GE, „Grid IQ Microgrid System”, http://www.gegridsolutions.com/, (dostęp: 24.01.2016 r.)
4. Kowalczyk A., Włodarczyk A.: Budowa systemu sterowania mi-krosiecią elektroenergetyczną, praca inżynierska, WEiA 2016 5. GLPK – Reference Manual, 2015
6. Tauron, Kalkulator zużycia energii el. w domu, http://kalkulator.tauron.pl/h5/, (dostęp: 24.01.2015 r.)
POWER MICROGRID CONTROLLER
Power microgrid is a small power system, whose primary objective is to cover local energy needs. Microgrid is composed of generating units, storage facilities and energy consumers. Construction of hierarchical control system with the optimizer for power microgrid is main article issue. The controller manages the resources of electricity to cover the needs of local households, taking into account economic aspects. Hierarchical control structure with optimization and assignment layers is applied. Very comprehensive description of definition of the optimization problem with decision variables, constraints and initial conditions including batteries SOC (state of charge) is presented. An important element in proposed approach is to have consumers demand forecasts and weather reports which are related with energy production from renewable energy sources. Authors assumed the availability of these forecasts, and these issues are not dealt with in the article, although it is worth mentioning that the quality of forecasts has an impact on control quality.
Simulation studies were carried out and the obtained results confirming the correctness of the presented method. The final form of presented microgrid controller is built based on an open source software and can be implemented with low cos hardware such as Rasp-berry Pi.
Keywords: microgrid, distributed generation, energy management, optimization.
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej Nr 47 Politechnika Gdańska
Wydział Elektrotechniki i Automatyki Gdańsk 2015